1.背景

近期，GPT 大模型的发布给自然语言处理（NLP）领域带来了令人震撼的体验。随着这一事件的发生，一系列开源大模型也迅速崛起。依据一些评估机构的评估，这些开源模型大模型的表现也相当不错。一些大模型的评测情况可以去这里查询：Huggingface 的 Open LLM 排行榜，UC 伯克利发布大语言模型排行榜等。

随着大模型的发展，大模型的训练与部署技术变的非常重要了。我们调研了 LORA 与 QLORA 等微调训练技术，以及 GPTQ 量化部署技术。在跑通最小 Demo 并验证效果后，把这些技术集成到 KubeAI 平台(得物 AI 平台)，提供给大家去快速上手。

本篇主要分为技术理论与技术实战两个部分去讲解。

技术理论主要讲解微调训练与量化推理的理论部分，微调训练包括 LoRA,QLoRA, 部署包括 GPTQ 量化推理等，并针对关键代码进行走读，针对部署进行性能测试。

技术实战部分我们把这些技术集成到 KubeAI 平台上，供大家可以快速上手实战。依据前面同学的反馈情况，大约一天内可以完成大模型训练并部署推理上线。

2.LoRA 与 QLoRA 训练技术

2.1 LoRA 技术介绍

LoRA，英文全称 Low-Rank Adaptation of Large Language Models（中文为大语言模型的低阶适应）。

这是微软的研究人员为了解决大语言模型微调而开发的一项技术，其 github 地址为 https://github.com/microsoft/LoRA ，当前已经得到 HuggingFace 的 PEFT 库 https://github.com/huggingface/peft 的支持。

对于大语音模型来说，其参数量非常多。GPT3 有 1750 亿参数，而且 LLAMA 系列模型包括 7B,13B,33B,65B，而其中最小的 7B 都有 70 亿参数。要让这些模型去适应特定的业务场景，需要对他们进行微调。如果直接对这些模型进行微调，由于参数量巨大，需要的 GPU 成本就会非常高。LoRA 就是用来解决对这些大语言模型进行低成本微调的技术。

LoRA 的做法是对这些预训练好的大模型参数进行冻结，也就是在微调训练的时候，这些模型的参数设置为不可训练。然后往模型中加入额外的网络层，并只训练这些新增的网络层参数。这样可训练的参数就会变的非常少，可以以低成本的 GPU 微调大语言模型。

参照 https://arxiv.org/abs/2106.09685

LoRA 在 Transformer 架构的每一层注入可训练的秩分解矩阵，与使用 Adam 微调的 GPT-3 175B 相比，LoRA 可以将可训练参数数量减少 10000 倍，GPU 内存需求减少 3 倍，并且在效果上相比于传统微调技术表现的相当或更好。

下面以 Transformer 的线性层为例，讲解下 LoRA 具体是如何操作的。

在 Transformer 模型中的线性层，通常进行矩阵乘法操作，如 Y = XW，其中 X 是输入矩阵，W 是权重矩阵，也是模型训练求解的参数。

对于 LoRA 方法在 Transformer 的线性层中的操作步骤：

• 在每个线性层旁边增加一个"旁路"，由降维矩阵 A 和升维矩阵 B 构成。低秩分解在这里发挥作用，例如我们有一个 100x100 的矩阵 C，我们可以通过低秩分解将其分解为 A 和 B(假设秩设置为 1)，其中 A 是 100x1 的矩阵，B 是 1x100 的矩阵。这样，原本 10000 个参数的矩阵 C 被分解为总共 200 个参数的矩阵 A 和 B。

• 训练过程中，原线性层的权重矩阵 W 保持不变，只训练降维矩阵 A 和升维矩阵 B。

• 在推理时，将矩阵 B 和 A 的乘积加到原始线性层的权重矩阵 W 上。因为 A 和 B 的秩较低，这个操作不会增加额外的推理延迟。

• 对于一般的任务，秩选取 1,2,4,8,16 足矣。

2.2 LoRA 关键代码走读

上面讲解了 LoRA 的关键，接下来我们针对最新的版本 PEFT 中的 LoRA 实现，进行关键代码走读。LoRA 的核心代码逻辑在：https://github.com/huggingface/peft/blob/main/src/peft/tuners/lora.py

其中有两个核心的类，一个是 LoraConfig，另一个是 LoraModel。

LoraConfig 是 LoRA 的核心配置类，它是用于配置 LoRAModel 的类，其中包含了一些用于控制模型行为的参数。

这个类的主要参数有：

• r：LoRa（低秩逼近）注意力维度，就是前面所说的秩。默认值是 8。

• target_modules：要应用 LoRa 的模块名列表。

• lora_alpha：LoRa 的 alpha 参数。默认值是 8。

• lora_dropout：LoRa 层的 dropout 概率。默认值是 0.0。

• bias：LoRa 的偏置类型。可以是'none'、'all'或'lora_only'。

LoraModel 是 LoRA 模块的核心类，冻结 base model 的参数，旁路低秩矩阵的创建，替换，合并等逻辑都在这个类中。下面我们把他的关键逻辑结合上面的介绍走读一下。

2.2.1 初始化函数

从初始化函数中我们看到 LoraModel 也是继承 torch.nn.Module，相当于 pytorch 的一个网络模块。传入参数中 base_model 相当于被用来微调的基础大模型，config 包含 LoraConfig。在初始化中 LoraModel 把自己的前向传播函数 forword 设置为大模型的 forward 方法。

2.2.2 初始化：使用新的 LoraLayer 替换 target_modules 中配置的 Layer，实现上面所说的添加旁路低秩矩阵的功能。

上述代码的主要功能：

• 依据 LoraConfig 中配置的 tagetModules，在 base_model(大模型)中找到这些 Module

• 创建新的 LoraLayer，新的 LorayLayer 中会包含原来 target_module 的 layer，并在其旁边并行旁路，旁路主要是低秩矩阵 Lora_A 与 Lora_B 组成的低秩两个低秩矩阵的加法

• 使用新创建的 LoraLayer 替换原来的 target_module 的 layer。

通过这一步实现了在大模型的 target_modules 的 layer 中增加旁路低秩矩阵。

2.2.3 初始化：冻结大模型的参数

可见除了新增的 LoraLayer 的模块外，其他所有参数都被冻结。

2.2.4 前向传播：添加了旁路低秩矩阵后的运算逻辑(以 LineLayer 为例)

在上述代码中：

• 使用大模型 target_module 中线性层进行计算，得出结果 result。

•   使用 lora_A 与 lora_B 的低秩矩阵进行计算  并把计算结果加到 result 上。

以上是主要逻辑，其他逻辑可以深入代码去了解。PEFT 库中 Lora 的实现与论文中所述一致。

2.3 QLORA 技术介绍

LoRA 技术虽然可以在一定程度上节省显存，提升训练速度，但是把大模型以 float16 的方式运行，还是会占用很多显存。比如：在 batch size 开到极小的情况下，单卡 A100(80G 显存)只能微调 7B 系列的模型，13B 模型在正常情况下需要 120G 显存，微调 65B 模型需要超过 780G 的显存。

为此华盛顿大学的研究者提出了 QLoRA 技术，极端情况下单个 24GB GPU 上实现 33B 的微调，可以在单个 48Gi 显存微调 65B 模型。当然这种情况下微调会变得比较慢。

论文参考 https://arxiv.org/abs/2305.14314。

上图中描述了 LoRA 与 QLoRA 在微调训练的时候的区别，从 QLoRA 的名字可以看出，QLoRA 实际上是 Quantize+LoRA 技术，简单的说就是把大模型(Base Model)在训练的时候从 16bit 压缩到 4bit。从而降低训练的显存。

• 4 位 NormalFloat，QLoRA 使用 NF4(Normal Float 4)bit 来量化压缩预训练模型。这是一种优化的 4 位量化方法，它针对神经网络权重通常遵循零中心正态分布的特性进行优化。使用标准正态分布函数将权重缩放到[-1, 1]的范围内。相比传统的 4 位量化，它的权重信息损失少，从而提高了模型量化的整体精度。

• 双重量化，双重量化是一种内存优化策略，它对量化所使用的常数进行二次量化，进一步减小内存占用。这意味着我们可以在保持精度的同时，降低了内存需求。

• Page Optimizer，这是一种内存管理技术，利用了 NVIDIA 的统一内存特性，在 CPU 和 GPU 之间进行自动 page 对 page 传输，它在 GPU 内存不足时，可以将一部分数据暂时移到 CPU 内存，需要时再移回。这降低了在大型模型训练时由于内存不足而造成的问题。

在我们的平台经过实测，训练 33B 的模型最低需要 26G 显存。但是需要把 batch-szie 设置为 1，这样训练速度会比较慢。在实际操作中可以再适当加大 batch size 的值，配合 4bit 量化，就可以在少量 GPU 资源情况下训练 33B 大模型了，当然 13B 的大模型使用 QLORA 同样效果不错。

目前最新版本的 PEFT 库也添加了对 QLoRA 的支持，喜欢代码的同学可以去深入了解下。

3.量化推理介绍

3.1 GPTQ 量化介绍

GPTQ（Generative Pretrained Transformer Quantization）是一种新的后训练量化方法，可以有效地执行对有数百亿参数的模型的量化，并且能够将这些模型压缩到每个参数 3 或 4 位，而不会有显著的精度损失，论文参考https://arxiv.org/abs/2210.17323。

所谓后训练量化是指在模型训练完成之后进行量化，模型的权重会从 32 位浮点数（或其他较高精度格式）转换为较低精度格式，例如 4 位整数。这种转换大大减小了模型的大小，并减少了运行模型所需的计算量。但是，这也可能会导致一定程度的精度损失。

3.2 GPTQ 量化数据对比

目前业界有几种量化方法，包括 GGML，GPTQ 等，经过实测，我们发现 GPTQ 量化部署精度损失少，性能也不错。

我们通过对 13B 的模型进行 4bit 量化测试，发现经过 GPTQ 量化后的对比如下：

4.实战：kubeai 平台大模型训练与推理

前面我们介绍了大模型的训练技术:LoRA 与 QLoRA 的工作原理，介绍了通过 GPTQ 量化部署的步骤。我们把这些步骤集成在 KubeAI 的训练推理平台中，供大家研究，并同时提供 7B,13B,33B 大模型备选。KubeAI 中选择 GPT 服务/定制版(Finetune)即可体验。

4.1 kubeAI 平台的训练与推理工作流程

• 大模型选型支持，kubeAI 平台提供（7B，13B，33B）三种类型，后续逐渐增加更多支持。

• 大模型微调训练，现在支持 LoRA，QLoRA 两种方式，后续会增加其他方式。

• 训练后，会产生两个大模型，一个是 16Bit 的原始模型，一个是 GPTQ4bit 量化后的模型(配合 QLoRA)。

• 我们提供一键部署的功能，用户选择对应的模型后，可以一键部署成服务，并提供页面与 API 接口供用户体验效果。

4.2 用户在 kubeAI 进行训练与推理部署大模型的步骤

• 选择大模型，目前提供（7B，13B，33B）三个版本。

• 上传训练数据，目前支持 alpaca 数据格式。

• 配置训练参数，只需要依据 GPU 情况配置 batch size 与训练步骤，大部分使用默认参数即可。

• 点击开始训练。

• 训练结束后选择模型，点击部署，即可一键部署成服务。

• 部署服务后，点击访问链接，会有一个访问页面，页面上会提供相应的 API 调用接口。

4.3 kubeAI 平台基于知识库的推理功能

• 推理大模型实现，可离线部署，可以针对专业场景做训练优化。

• 文本向量模型，可离线部署，还可以针对局部场景做训练优化。

• 可快速实现接入多种数据源，支持 pdf、txt、md、docx、csv 等文件类型接入。

• 在分句、文档读取等方面，针对中文使用场景优化。

5.总结

我们调研了大模型的微调训练方法 LoRA 与 QLoRA，以及大模型的推理部署 GPTQ 量化部署。把上面的微调训练到推理部署的整个链路集成到 kubeAI 平台上，提供给大家快速实验。此外还集成了以文档形式上传到知识库，配合知识库进行推理的场景。

大模型的训练与推理方法除了以上所提 LORA、QLORA、GPTQ 外，还有其他技术。因为大模型社区比较火爆，后面肯定会有更优的微调训练与量化部署技术。后续我们会持续跟踪，如果在效果与性能上优于当前支持的方法，平台也将及时基于目前的框架继续集成这些新的方法。

*文/linggong

本文属得物技术原创，更多精彩文章请看：得物技术官网

未经得物技术许可严禁转载，否则依法追究法律责任！